基于轨迹数据和深度学习的CNG出租车CO2排放微观模型构建及碳减排效益评估方法
为准确评价压缩天然气(CNG)出租车的二氧化碳(CO2)减排效益,以武汉市为例,提出了一种基于深度学习的车辆微观CO2排放模型来准确对城市内出租车的CO2排放做时空分析,探究出租车在不同燃料情景下CO2排放时空规律.路测实验中使用便携式排放测量系统(PEMS)收集车辆的CO2排放数据,考虑车辆驾驶特征序列和燃料类型,借助BiLSTM算法构建了车辆微观CO2排放模型,并验证其精度;利用提出的CO2排放模型和武汉市15 752辆出租车轨迹数据估算了武汉市出租车使用92#汽油和CNG的CO2排放,探索CNG出租车的CO2减排效益.结果表明,模型精度优于目前常用SVR、LSTM等回归算法和IVE、CMEM等物理模型,能够拟合真实车辆的CO2排放变化,满足大范围估算城市出租车CO2排放的精度需求,为车辆排放估算提供更好思路;实证结果发现,一天内,15 752辆武汉市出租车全面使用CNG取代92#汽油可以减少22.05%的CO2排放,同时揭示了CNG出租车在时间空间角度的CO2排放规律以及CO2减排效益.结果对政府交通部门推广车辆使用CNG燃料提供依据.
CO2排放、CNG出租车、车辆轨迹数据、深度学习、节能减排、时空分析、油改气、能源生命周期
25
U418.6;F061.5;P481
2023-11-27(万方平台首次上网日期,不代表论文的发表时间)
共13页
2191-2203